Выбор метода статистического вывода

Слайд #1

Выбор метода статистического вывода

Слайд #2

Нормальное распределение как стандарт

Слайд #3

Статистическая гипотеза Это утверждение относительно неизвестного параметра генеральной совокупности, которое формулируется для проверки надежности связи и которое можно проверить по известным выборочным статистикам – результатам исследования.

Слайд #4

Статистическая гипотеза Основная (нулевая) гипотеза (H0) – содержит утверждение об отсутствии связи в генеральной совокупности и доступна проверке методами статистического вывода. Альтернативная гипотеза (H1) – принимается при отклонении H0 и содержит утверждение о наличии связи. При этом нулевая и альтернативная гипотеза представляют собой полную группу несовместных событий.

Слайд #5

Измерительные шкалы (неметрические): Номинативная шкала, или шкала наименований. Объекты группируются по различным классам так, чтобы внутри класса они были идентичны по измеряемому свойству. Ранговая, или порядковая шкала. Измерение в этой шкале предполагает приписывание объектам чисел в зависимости от степени выраженности измеряемого свойства.

Слайд #6

Измерительные шкалы (метрические): Интервальная шкала. Это такое измерение, при котором числа отражают не только различия между объектами в уровне выраженности свойства, но и то, насколько больше или меньше выражено это свойство. Абсолютная шкала, или шкала отношений. Измерение в этой шкале отличается от интервального тем, что в ней устанавливается нулевая точка, соответствующая полному отсутствию выраженности измеряемого свойства.

Слайд #7

Классификация методов статистического вывода Основания для классификации: типы шкал, в которых измерены признаки X и Y: качественная шкала (номинативная), количественная шкала (порядковая, метрическая) количество сравниваемых групп – две и более двух соотношение сравниваемых групп: зависимые выборки или независимые выборки

Слайд #8

Классификация методов статистического вывода Типы шкал l. X, Y – количественные ll. X, Y – качественные lll. X – качественный, Y – количественный Задачи: Корреляционный анализ Анализ номинативных данных: классификаций, таблиц сопряженности, последовательностей (серий) Сравнения выборок по уровню выраженности признака Методы: а) r-Пирсона – для метрических X и Y; б) частная корреляция и сравнение корреляций; в) r-Спирмена, τ-Кендалла – для ранговых X и Y. Критерий χ2-Пирсона (для классификаций и таблиц сопряженности), критерий Мак-Намара (для таблиц 2x2 с повторными измерениями), критерий серий (для последовательностей) (методы сравнения) – следующий слайд

Слайд #9

Классификация методов статистического вывода Количество выборок (градаций X) Две выборки Больше двух выборок Зависимость выборок Независимые Зависимые Независимые Зависимые Признак Y Метрический Параметрические методы сравнения t-Стьюдента для независимых выборок t-Стьюдента для зависимых выборок ANOVA ANOVA c повторными измерениями Ранговый Непараметрические методы сравнения U-Манна-Уитни, критерий серий T-Вилкоксона, критерий знаков H-Краскала-Уоллеса χ2-Фридмана

Слайд #10

Выбор методов статистического вывода

Слайд #11

Параметрические и непараметрические критерии Критерий различия называют параметрическим, если он основан на конкретном типе распределения генеральной совокупности (как правило, нормальном) или использует параметры этой совокупности (средние, дисперсии и т.д.). Критерий различия называют непараметрическим, если он не базируется на предположении о типе распределения генеральной совокупности и не использует параметры этой совокупности.

Слайд #12

Методы корреляционного анализа Проверяемая H0: коэффициент корреляции равен нулю. Условие применения: а) два признака измерены в ранговой или метрической шкале на одной и той же выборке; б) связь между признаками является монотонной (не меняет направления по мере увеличения значений одного из признаков). Обычно изучается корреляция между множеством P переменных. В таком случае вычисляются корреляции между всеми возможными парами этих переменных. Результатом является корреляционная матрица, включающая P(P-1)/2 значений коэффициентов парной корреляции. Под корреляционным анализом обычно и понимают изучение связей по корреляционной матрице.

Слайд #13

Методы корреляционного анализа Методы: Корреляция r-Пирсона – для метрических переменных. Условие применения: а) распределения X и Y существенно не отличаются от нормального. Дополнительно: частная корреляция для изучения зависимости корреляции X и Y от влияния переменной Z; сравнение корреляций – для независимых и зависимых выборок. Корреляции r-Спирмена, τ-Кендалла – для порядковых переменных.

Слайд #14

Методы анализа номинативных переменных В зависимости от цели исследования и структуры исходных данных выделяются три группы методов, соответствующих решаемым задачам: анализ классификаций; анализ таблиц сопряженности; анализ последовательностей (серий).

Слайд #15

Методы анализа номинативных переменных Анализ классификаций. Условие применения: для каждого объекта (испытуемого) выборки определена его принадлежность к одной из категорий (градаций) X (получено эмпирическое распределение объектов по X); известно теоретическое (ожидаемое) распределение по X (обычно – равномерное). Проверяемая H0: эмпирическое (наблюдаемое) распределение предпочтений не отличается от теоретического (ожидаемого). Метод: критерий χ2-Пирсона.

Слайд #16

Методы анализа номинативных переменных Анализ таблиц сопряженности. Условие применения: для каждого объекта (испытуемого) выборки определена его принадлежность к одной из категорий (градаций) X и к одной из категорий (градаций) Y (получена перекрестная классификация объектов по двум основаниям X и Y). Следует различать три ситуации – в зависимости от числа градаций и соотношения X и Y: число градаций X и (или) Y больше двух (общий случай); таблицы сопряженности 2х2 с независимыми выборками; таблицы сопряженности 2х2 с повторными измерениями.

Слайд #17

Методы анализа номинативных переменных Анализ последовательностей (серий) Условие применения: объекты упорядочены (по времени или по уровню выраженности признака); каждый объект отнесен к одной из двух категорий (X или Y). Проверяемые H0: события X распределены среди событий Y случайно (случай 1); выборки X и Y не различаются по распределению значений количественного признака (случай 2). Метод: критерий серий.

Слайд #18

Методы сравнения выборок по уровню выраженности признака В зависимости от решаемых задач методы внутри этой группы классифицируются по трем основаниям: ► Количество градаций X: а) сравниваются 2 выборки; б) сравниваются больше двух выборок ► Зависимость выборок: а) сравниваемые выборки независимы; б) сравниваемые выборки зависимы. ► Шкала Y: а) Y – ранговая переменная; б) Y – метрическая переменная.

Слайд #19

Сравнение двух независимых выборок Условия применения: признак измерен у объектов (испытуемых), каждый из которых принадлежит к одной из двух независимых выборок. Методы: Y – метрическая переменная: сравнений двух средних значений (параметрический критерий t-Стьюдента для независимых выборок). Условия применения: признак измерен в а) метрической шкале; б) дисперсии двух выборок гомогенны (статистически достоверно не различаются). Если не выполняется хотя бы одно из этих условий то применяется непараметрический критерий U-Манна-Уитни. Дополнительно: возможно сравнений двух дисперсий (параметрический критерий F-Фишера). Y – ранговая (порядковая) переменная: сравнение двух независимых выборок по уровню выраженности порядковой и бинарной переменной (критерий U-Манна-Уитни, критерий серий).

Слайд #20

Сравнение двух зависимых выборок Условия применения: а) признак измерен у объектов (испытуемых), каждый из которых принадлежит к одной из двух зависимых выборок: либо признак измерен дважды на одной и той же выборке, либо каждому испытуемому из одной выборки поставлен в соответствие по определенному критерию испытуемый из другой выборки; б) измерения положительно коррелируют. Если эти условия не выполняются, то выборки следуют признать независимыми. Методы: Y – метрическая переменная: сравнений двух средних значений (параметрический критерий t-Стьюдента для зависимых выборок). Условия применения: признак измерен в метрической шкале. Если не выполняется хотя бы одно из этих условий то применяется непараметрический критерий T- Вилкоксона. Y – ранговая (порядковая) переменная: сравнение двух зависимых выборок по уровню выраженности порядковой и бинарной переменной (критерий T- Вилкоксона, критерий знаков).

Слайд #21

Сравнение более двух выборок Проверяемая H0: несколько совокупностей (которым соответствуют выборки) не отличаются по уровню выраженности измеренного признака.

Слайд #22

Сравнение более двух независимых выборок Условия применения: признак должен быть измерен у объектов (испытуемых), каждый из которых принадлежит к одной из k независимых выборок (k>2). Методы: Y – метрическая переменная: дисперсионный анализ (ANOVA) для независимых выборок (параметрический метод). Дополнение: метод допускает сравнение выборок более чем по одному основанию – когда деление на выборки производится по нескольким номинативным переменным, каждая из которых имеет 2 и более градаций. Условия применения: признак Y измерен в а) метрической шкале, б) дисперсии выборок гомогенны (статистически достоверно не различаются). Если не выполняется хотя бы одно из этих условий, то:

Слайд #23

Сравнение более двух независимых выборок Y- ранговая (порядковая) переменная: сравнение более двух независимых выборок по уровню выраженности ранговой переменной (непараметрический критерий H-Краскала-Уоллеса). Ограничение: методы позволяет сравнивать выборки только по одному основанию, когда деление на группы производится по одной номинативной переменной, имеющей более 2-х градаций.

Слайд #24

Сравнение более двух зависимых выборок Условия применения: а) признак измерен у объектов (испытуемых), каждый из которых принадлежит к одной из k зависимых выборок (k>2): как правило, признак измерен несколько раз на одной и той же выборке; б) измерения положительно коррелируют.

Слайд #25

Сравнение более двух зависимых выборок Методы: Y- метрическая переменная: дисперсионный анализ (ANOVA) с повторными измерениями (параметрический метод). Дополнение: метод допускает сравнение выборок более чем по одному основанию – когда помимо деления на зависимые выборки, вводятся номинативные переменные, которые имеют 2 и более градаций и делят испытуемых на независимые выборки. Условия применения: а) признак Y измерен в метрической шкале; б) дисперсии сравниваемых выборок гомогенны (статистически достоверно не различаются). Если не выполняется хотя бы одно из этих условий, то:

Слайд #26

Сравнение более двух зависимых выборок Y- ранговая (порядковая) переменная: сравнение более двух зависимых выборок по уровню выраженности ранговой переменной (непараметрический критерий χ2-Фридмана). Ограничение: метод позволяет сравнивать зависимые выборки только по одному основанию – повторным измерениям.

Слайд #27

Спасибо за внимание!